少样本学习领域在监督设置下已经得到了深入研究，其中每个类别的标签都是可用的。然而，在无需任何标签的无监督少样本学习设置方面，相关研究却相对较少。我们提出了一种名为“假设、增强和学习”（Assume, Augment and Learn, AAL）的方法，用于利用未标记数据生成少样本任务。该方法首先从一个未标记的数据集中随机选择一部分图像并为其分配随机标签，以生成支持集。然后通过对支持集中的图像进行数据增强，并重用支持集的标签，从而获得目标集。由此生成的少样本任务可以用于训练任何标准的元学习框架。一旦模型训练完成，即可直接应用于小型真实标记数据集，而无需进行任何修改或微调。在我们的实验中，所学模型在Omniglot和Mini-Imagenet上的多种已建立的少样本学习任务中表现出良好的泛化性能。